Kelompok 4
Kelompok 4
KELOMPOK 4
Syahriani
Lia angriani
Fatimah Ahmad
Regresi nonlinear adalah suatu metode untuk mendapatkan model linear yang
menyatakan hubungan variable dependen (Y) dan independen(X). Tidak seperti
regresi linear, yang dibatasi oleh waktu menaksir/ meramal, regresi non linear
dapat mengistemasi model hubungan variable dependen dan independen dalam
bentuk non linear dengan keakuratan yang baik.
Untuk regresi sederhana, regresi yang melibatkan satu peubah tak bebas (Y) dan
satu peubah bebas (X), kelinearan Ŷ = 𝑎 + 𝑏𝑋 diyakinkan melalui pengujian
hipotesis jika hipotesis linear diterima, kita yakin hingga tingkat keyakinan
tertentu, bahwa regresi itu bentuknya linear tidak diragukan. Namun, apabila
ternyata hipoteis linear ditolak, maka regresi linear tidak cocok untuk digunakan
dalam mengambil kesimpulan dan karenanya perlu meningkat pada pencarian
regresi non linear atau lengkung.
A. MODEL POLINOM
Model polinom dinyatakan dalam bentuk umum:
𝑦 = 𝑐0 + 𝑐1 𝑥 + 𝑐2 𝑥 2 + ⋯ + 𝑐𝑘 𝑥 𝑘 ,
dimana 𝑐𝑖 , 𝑖 = 0,1,2, … , 𝑘 (bilangan bulat positif) adalah konstanta.
1. Model Polinom Derajat Dua
Sebagaimana kita ketahui bahwa model polinom mempunyai hanya
satu peubah dasar,yaitu x. untuk k=1, kita memperoleh model regresi
linear sederhana (garis lurus). polinom derajat dua, yaitu k=2
mempunyai model kuadratik (parabola) dengan bentuk umum:
𝑦 = 𝑐0 + 𝑐1 𝑥 + 𝑐2 𝑥 2
Dari model diatas, dapat ditulis model statistis parabola dalam
bentuk:
𝜇 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2
𝑌⃒ 𝑋
dengan persamaan ini, huruf besar Y dan X menunjukkan peubah
statistis; 𝛽0 , 𝛽1 , dan 𝛽2 menyatakan parameter yang tidak diketahui
dan disebut koefisien regresi; 𝜇 menyatakan rerata Y dan X yang
𝑌⃒ 𝑋
diberikan.
Jadi, taksiran untuk model parabola kuadratik dapat ditulis dengan:
Ŷ = 𝑏0 + 𝑏1 𝑋 + 𝑏2 𝑋 2 ,
𝒏 𝒏 𝒏
𝟐
𝒏 𝒃 𝟎 + 𝒃 𝟏 ∑ 𝒙 𝒊 + 𝒃 𝟐 ∑ 𝒙 𝒊 = ∑ 𝒚𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏
𝟐 𝟑
𝒃 𝟎 ∑ 𝒙 𝒊 + 𝒃 𝟏 ∑ 𝒙 𝒊 + 𝒃 𝟐 ∑ 𝒙 𝒊 = ∑ 𝒙 𝒊 𝒚𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏
𝒃 𝟎 ∑ 𝒙 𝒊 𝟐 + 𝒃 𝟏 ∑ 𝒙 𝒊 𝟑 + ∑ 𝒙 𝒊 𝟒 = ∑ 𝒙 𝒊 𝟐 𝒚𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
“Persamaan 1”
Contoh:
Seorang peneliti ingin mengetahui hubungan antara dosis oba tertentu (X) dengan
kadar Creatinin Ginjal (Y) kelinci percobaan, dari hasil peneitiannya diperoleh hasil
sebagai berikut :
Dosis Kadar
No. Obat Creatin
1 1 10
2 2 13
3 3 15
4 4 20
5 5 16
6 7 11
7 3 14
8 2 12
9 4 21
10 6 17
11 7 10
12 8 7
13 8 6
14 1 11
15 3 16
jawab:
Kita tentukan dulu nilai yang perlu untuk regresi polinom berderajat dua,
yaitu:
Dosis Kadar
No. Obat (X) Creatin (Y) X^2 X^3 X^4 XY X^2Y
1 1 10 1 1 1 10 10
2 2 13 4 8 16 26 52
3 3 15 9 27 81 45 135
4 4 20 16 64 256 80 320
5 5 16 25 125 625 80 400
6 7 11 49 343 2401 77 539
7 3 14 9 27 81 42 126
8 2 12 4 8 16 24 48
9 4 21 16 64 256 84 336
10 6 17 36 216 1296 102 612
11 7 10 49 343 2401 70 490
12 8 7 64 512 4096 56 448
13 8 6 64 512 4096 48 384
14 1 11 1 1 1 11 11
15 3 16 9 27 81 48 144
15 64 199 356 2278 15704 803 4055
𝑅𝐽𝐾𝑟𝑒𝑔𝑟𝑒𝑠𝑖 𝑅𝐽𝐾𝑅
𝐹= =
𝑅𝐽𝐾𝑘𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑅𝐽𝐾𝐾
Dimana RJK adalah rata-rata jumlah kuadrat, atau jumlah kuadrat (JK) dibagi
dengan derajat kebebasan (dk) yang bersangkutan, sehingga RJKR menyatakan
rata-rata jumlah kuadrat kesalahan. Untuk membandingkan nilai statistik F dengan
nilai krisis yang sesuai dari distribusi F, digunakan nilai tabel yang (dalam contoh
ini) mempunyai dk pembilang 2 dan dk penyebut 5. Jika nilai statistik F lebih besar
daripada nilai F tabel, maka pengujian signifikan dan H0 ditolak. Akan tetapi
dengan perhitungan komputer, nilai tabel distribusi F tidak diperlukan karena nilai
statistika F yang diperoleh disertai dengan nilai peluang P(F > F hitung ) yang bisa
disebut nilai p. Jika nilai p inilebih kecil daripada nilai taraf signifikansi yang
ditentukan, maka pengujian signifikan
Setelah selesai menyalin data, lalu Klik Graph, pilih► Legacy Dialogs, klik ScatterDot,
pilih Simple Scatter, klik Define, maka muncul Gambar
Klik Kadar Kreatinin (Y), kemudian pindahkan dengan tadana ►ke Y Axis
Klik Dosis Obat (X), kemudian pindahkan dengan tadana ►ke X Axis
Regression
Model Summary
ANOVAa
Total 262.933 14
- Bentuk hubungannya atau persamaan garis regresinya sangat nyata (P<0,01), lihat sig
pada ANOVA .000
Setelah persamaan garis regresi dianggap sesuai dengan yang kita inginkan, maka kita
bisa menggambar persamaan tersebut, dengan cara sebagai berikut
hapus atau kosongkan angka-angka yang ada pada kolom X dan Y, kemudian ketik
angka 0 sampai dengan angka 8 pada kolom X. Klik transform, kemudian klik lagi
Compute Variable, maka muncul Gambar
Ketik Y pada Target Varable dan ketik 3.363 + 6.778*X – 0.801*X**2 Numeric
Expression, klik Ok, mka diperoleh Gambar
Klik Graph, pilih Legacy Dialog, ►klik Line, pilih Simple, lalu klik Define, maka muncul
Gambar
Klik Other statistic (e.g mean)
Klik Dosis Obat (X), pindahkan dengan tanda ►ke Category Axis
Graph
atau bisa dengan cara lain:
Klik Analyze, pilih Regression ►klik Curve Estimation, maka muncul Gambar:
Klik Dosis Obat (X), pindahkan dengan tandan ►ke kotak Variable
Klik Kadar Kreatinin (Y), pindahkan dengan tanda ►ke kotak Dependent(s)
Berikan tanda V pada kotak Quadratic dan kotak Display ANOVA table.
Quadratic
Model Summary
ANOVA
Coefficients
Ŷ = 𝑎 + 𝑏𝑋 + 𝑐𝑋 2 + 𝑑𝑋 3
∑ 𝑌𝑖 = 𝑛𝑎 + 𝑏 ∑ 𝑋𝑖 + 𝑐 ∑ 𝑋𝑖 2 + 𝑑 ∑ 𝑋𝑖 3
∑ 𝑋𝑖 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 + 𝑏 ∑ 𝑋𝑖 2 + 𝑐 ∑ 𝑋𝑖 3 + 𝑑 ∑ 𝑋𝑖 4
∑ 𝑋𝑖 2 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 2 + 𝑏 ∑ 𝑋𝑖 3 + 𝑐 ∑ 𝑋𝑖 4 + 𝑑 ∑ 𝑋𝑖 5
∑ 𝑋𝑖 3 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 3 + 𝑏 ∑ 𝑋𝑖 4 + 𝑐 ∑ 𝑋𝑖 5 + 𝑏 ∑ 𝑋𝑖 6
𝐽𝐾 (𝑋 𝑡 𝑋, 𝑋 2 , … , 𝑋 𝑡−1 )
𝐹 (𝑋 𝑡 𝑋, 𝑋 2 , … , 𝑋 𝑡−1 ) = 1
𝑅𝐽𝐾𝑠𝑖𝑎𝑠𝑎𝑎𝑛 (𝑋, 𝑋 2 , … , 𝑋𝑡−1 )
Pendekatan uji seleksi maju yang dijelaskan di atas dapat membawa pada
pelemahan (underfitting) data, yakni algoritma seleksi maju tampaknya berhenti
terlalu cepat, sehinnga memilki model dengan derjat lebih rendah daripada yang
sesungguhnya diperlukan.
Bias ini dapat dihindari dengan menggunakan strategi seleksi mundur, dimana uji
F pada setiap langkah mundur selalu melibatkan rata-rata kuadrat kesalahan
untuk model penuh (atau terbesar) yang dibentuk. Akan tetapi, ketika
menggunakan pendeketan eliminasi mundur, itu mungkin menguatkan (overfit)
data, (yakni memilih sebuah model akhir yang sedikit lebih tinggi daripada yang
diperlukan). Untungnya, taksiran rata-rata kuadrat sisa dari model penuh masih
merupakan taksiran sahih (unbiased). Akibatnya, menggunakan taksiran ini pada
penyebut uji F parsial pada setiap langkah mundurakan tetap menjadi prosedur
sahih. Apa yang hilang dengan sedikit mengangkat data adalah suatu kuasa
statistis (statistical power), akan tetapi kehilangan ini biasanya diabaikan.
Jadi, untuk menetapkanm model polinom, kita umumnya merekomendasikan
strategi eliminasi mundur untuk memilih peubah, dan menggunakan dalam semua
uji F parsial taksiran rata-rata kuadrat kesalahan berdasarkan pada model polinom
derajat tertinggi. Jika mengimplementasikan startegi ini,kita rekomendasikan
pertama, memilih model derajat tiga atau lebih rendah untuk menyederhanakan
interpretasi dan meningkatkan kecermatan perhitungan. Kedua, lakukan seleksi
mundur dalam bentuk bertahap mulai dari suku derajat tertinggi, seseorang harus
secara berturut-turut menghilangkan suku-suku yang tidak signifikan, berhenti
pada suku dengan derajat yang pertama signifikan. Suku ini dan semua suku
dengan derajat lebih rendah harus dipertahankan dalam model akhir. Ketiga,
lakukan uji F parsial-ganda untuk tuna cocok. Keempat, metode analisis sisaan
harus digunakan, seperti dengan semua pendekatan regresi.
B. MODEL EKSPONEN
Model eksponen adalah salah satu model yang juga banyak digunakan apabila
situasi tidak memungkinkan model linear atau polinom. Perkiraan untuk model ini
, yang persamaannya adalah:
Ŷ = 𝑎𝑏 𝑋
Ŷ′ = 𝑎′ + 𝑏 ′ 𝑋
dan ini adalah model linier. Dengan menggunakan rumus koefisien regresi linear
sederhana, a* dan b* dapat dihitung , dan selanjutnya a dan b dapat ditentukan.
Dalam bentuk logaritma, a dan b dapat dicari dengan rumus:
Σ log 𝑌𝑖 ΣX𝑖
log 𝑎 = − (log 𝑏) ( )
𝑛 𝑛
ln Ŷ = ln 𝑎 + 𝑏𝑋
CONTOH:
Seoarang peneliti ingin mengetahui pertumbuhan paru-paru itik Bali, untuk tujuan
tersebut dipelihara 20 ekor itik. Itik tersebut dipotong masing-masing 5 ekor pada
minggu ke 0, 2, 4 dan 6 dan kemudian diambil paru-parunya lalu dilakukan
penimbangan.
jawab:
ln Ŷ = ln 𝑎 + 𝑏𝑋
𝑛(Σ𝑋𝑖 ln 𝑌𝑖 ) − (Σ𝑋𝑖 )(Σ ln 𝑌𝑖 )
ln b =
𝑛Σ𝑋𝑖 2 − (Σ𝑋𝑖 )2
20(368.457) − (60)(104.7249)
=
20(280) − (60)2
= 0.542822
Σ ln 𝑌𝑖 ΣX𝑖
ln 𝑎 = − (ln 𝑏) ( )
𝑛 𝑛
104.7249 60
= − (0.5428)( )
𝑛 20
= 3.60778
𝑎 = 𝑒 3.06778
= 36.88497
jadi, Ŷ = 36.89𝑒 𝑜.52282𝑋
linier ln Ŷ = ln 𝑎 + 𝑏𝑋
Lakukan tranformasi Ln terhadap Y, dengan cara :Klik Transform, pilih Compute Variable,
maka muncul Gambar
Klik All pada Function group Klik Ln pada Functions and Special Variables,
lalu pindahkan dengan tanda ▲ke Numeric Expression. Ketik LnY pada
Target Variable dan ketik atau pindahkan Y Berat Paru-paru (Gram) Itik ke
dalam tanda kurung LN pada Numeric Expression, lalu klik OK, maka
diperoleh Gambar
Klik Variable View lengkapi kolom Label dengan Ln Berat Paru-paru (Gram)
itik.
Klik Analyse, lalu pilih Regression kemudian klik Linear, maka muncul
Gambar
Klik Ln Berat Paru-paru (Gram) Itik [LnY], pindahkan dengan tanda ►ke
kotak Dependent. Klik Umur (Minggu)[X], pindahkan dengan tanda ►ke
kotak Independent (s), lalu kelik OK, maka diperoleh hasil analisis
Jadi : 𝑳𝒏 𝒂 = 𝟑. 𝟔𝟎𝟖, maka 𝑎 = 𝑒 3,608 = 36,892 , jadi 𝑌 =
36,892𝑒 0,543𝑋
Grafik dari persamaan regresi 𝑌 = 36,892𝑒 0,543𝑋 dapat di gambar
dengan cara sebagai berikut : Kita kembali ke Gambar 4.1.3., ganti nilai X
dengan angka 0 sampai dengan angka 6, sedangkan pada kolom Y
dikosongkan dulu (nilainya dihapus).
Klik transform, lalu klik Compute Variable, mka muncul Gambar 4.1.9, ketik
Y pada Target Variable dan ketik 36.892*2.71828**(0.54*X) pada Numeric
Expression, lalu klik OK, Gambar dilengkapi pada kolom Y nya.
Klik Graph, pilih Legacy Dialog, klik Line, klik Simple, klik Difine, maka
muncul Gambar
C. MODEL GEOMETRIS
Seperti halnya model eksponen, maka model geometri juga dapat dikembalikan
pada model linier. Persamaan umum model ini di taksir oleh bentuk:
Ŷ = 𝑎𝑋 𝑏
dan ini merupakan model linear dalam 𝑙𝑜𝑔 𝑋 dan 𝑙𝑜𝑔 𝑌. Koefisien koefisien a dan
b dapat dicari dari:
Σ log 𝑌𝑖 Σ log 𝑋𝑖
log 𝑎 = −𝑏
𝑛 𝑛
𝑛(Σ log 𝑋𝑖 log 𝑌𝑖 ) − (Σ log 𝑋𝑖 )(Σ log 𝑌𝑖 )
𝑏=
𝑛(Σ log 2 𝑋𝑖 ) − (Σ log 𝑋𝑖 )2
x y
20 150
35 125
60 105
100 100
150 92
300 97
500 97
800 62
1200 58
1300 40
1500 38
1600 35
manualnya:
pertama-tama kita perhatika nilai-nilai yang perlu untuk menghitung a dan b pada
model ini.
12(53.807) − (29.4518)(22.513)
=
12(77.354) − (29.4518)2
645.6844 − 663.0571
=
928.2535 − 867.4117
−17.3727
=
60.841
= −0.28554
Σ log 𝑌𝑖 Σ log 𝑋𝑖
log 𝑎 = −𝑏
𝑛 𝑛
= 1.8761 − (−0.28554)(2.45432)
= 2.576911
Aplikasi SPSS
Regression
Model Summary
ANOVAa
Total .500 11
Coefficientsa
Jadi persamaan garis regresinya adalah : log Ŷ = 2.577 − 0.286 log 𝑋, atau Ŷ =
377.495𝑋 −0.286 Setelah persamaan garis regresi dianggap sesui dengan yang kita
inginkan, maka kita bisa menggambar persamaan tersebut, dengan cara sebagai
berikut :
Buka data baru, ketik X dan Y, kemudian di view isi X dari 1- 12, kosongkan Y. Klik
Tranform, lalu klik lagi Compute Variable, maka muncul Gambar berikut
Maka diperoleh hasil seperti pada Gambar
Klik Graph, pilih Legacy Dialog, ►klik Line, pilih Simple, lalu klik Define, maka muncul
Gambar berikut
Klik Other statistic (eg, mean), lalu klik Y, lalu pindahkan ke kotak Variable. Klik X, lalu
pindahkan ke Category Axis, klik OK, maka diperoleh hasil sebagai berikut
Graph
D. MODEL LOGISTIK
1
Ŷ=
𝑎𝑏 𝑋
1
Untuk Ŷ yang tidak sama dengan nol, bentuk diatas dapat pula ditulis sebagai Ŷ =
𝑎𝑏 𝑋
Σ log 𝑌 Σ X𝑖
−log 𝑎 = + (− log 𝑏) ( )
𝑛 𝑛
Sebagai contoh Data penjualan suatu produk dari mulai diproduksi sampai produk
tersebut berumur 24 bulan (2 tahun) serta keuntungannya adalah sebagai berikut:
Bulan Keuntungan
(X) (Y)
1 150
2 270
3 480
4 750
5 1350
6 2310
7 3625
8 5390
9 9950
10 15510
11 26500
12 40350
13 77510
14 111950
15 165300
16 311600
17 627480
18 804250
19 1540980
20 2314250
21 3923250
22 6010500
23 12334230
24 15975210
300 44303145
jawab:
Untuk mentransformasikan persamaan regresi non linear logistik dalam bentuk linier,
maka diperlukan nilai – nilai sebagai berikut:
Bulan Keuntungan
(X) (Y) log y X^2 X*Log Y
1 150 2.176091 1 2.176091
2 270 2.431364 4 4.862728
3 480 2.681241 9 8.043724
4 750 2.875061 16 11.50025
5 1350 3.130334 25 15.65167
6 2310 3.363612 36 20.18167
7 3625 3.559308 49 24.91516
8 5390 3.731589 64 29.85271
9 9950 3.997823 81 35.98041
10 15510 4.190612 100 41.90612
11 26500 4.423246 121 48.6557
12 40350 4.605844 144 55.27012
13 77510 4.889358 169 63.56165
14 111950 5.049024 196 70.68634
15 165300 5.218273 225 78.27409
16 311600 5.493597 256 87.89756
17 627480 5.7976 289 98.5592
18 804250 5.905391 324 106.297
19 1540980 6.187797 361 117.5681
20 2314250 6.36441 400 127.2882
21 3923250 6.593646 441 138.4666
22 6010500 6.778911 484 149.136
23 12334230 7.091112 529 163.0956
24 15975210 7.203447 576 172.8827
300 44303145 113.7387 4900 1672.709
24(1672.709)−(300)(113.7387
=
24(4900)−(300)2
40145.03−34121.61
=
117600−90000
6023.42
=
27600
= 0.2182398
𝑏 = 0.605007
Σ log 𝑌 Σ X𝑖
−log 𝑎 = + (− log 𝑏) ( )
𝑛 𝑛
113.7387
= − 0.2182398(12.5)
24
= 4.7391 − 2.727
= 2.0111137
𝑎 = 0.00974
= 2.011137 + 0.2182𝑋
Aplikasi SPSS
Ketik X dan Y pada kolom Name, dan ketik Bulan dan Keuntungan pada kolom
Label, lalu klik Data View,
Salin data pada Tabel diatas, seperti tampak pada Gambar berikut
Sebelum menentukan persamaan garis regresi sebaiknya kita buat dulu menyebaran
datanya dalam scatterplot.
Graph
Dalam plot di atas diketahui bahwa model regresi yang diperoleh tidak berbentuk
linier akan tetapi berbentuk non linier yaitu Logistik.
kita menggunakan Curve Estimation untuk menganalisis regresi ini tapi sebelumnya
salin dulu datanya seperti gambar berikut
Klik Analyze, pilih Regression ►klik Curve Estimation, maka muncul Gambar:
Klik Keuntungan [Y] pindahkan dengan tanda ►ke Dependent(s) dan klik juga Bulan
[X] pindahkan dengan tanda ►ke Variabel, lalu klik atau tandai kotak Logisitic dan
kotak Disply ANOVA table, lalu klok OK, maka diperoleh hasil sebagai berikut :
Curve Fit
Logistic
Model Summary
ANOVA
Coefficients
Perkiraan persamaan umum yang sederhana untuk model hiperbola ini dapat
dituliskan dalam bentuk:
1
Ŷ=
𝑎 + bX
1
= a + bX
Ŷ
1
yang ternyata merupakan bentuk linier dalam variable-variabel X dan 𝑌⃒
contoh:
Toko Maju Makmur pada hari pertama pembukaan memiliki jumlah pengunjung
yang berbeda pada setiap menitnya. Pada menit-menit pertama pembukaan,
terdapat banyak pengunjung yang tertarik untuk melihat-lihat dan membeli di
toko tersebut. Data pengunjung diberikan sebagai berikut:
X Y
20 150
35 125
60 105
100 100
150 92
300 97
500 97
800 62
1200 58
1300 40
1500 38
1600 35
Nilai-nilai yang diperlukan untuk mencari parameter adalah sebagai berikut:
diperoleh Σ𝑋 = 7565,
Σ𝑋 2 = 8957725,
1
Σ = 0.178936,
𝑌
1
Σ𝑋. = 163.1435
𝑌
sehingga didapat:
1 1
(Σ 𝑌 )(Σ𝑋 2 ) − (Σ𝑋)(Σ𝑋. 𝑌)
𝑎=
𝑛(Σ𝑋 2 ) − (Σ𝑋)2
= 0.007335
1 1
𝑛 (Σ𝑋. 𝑌) − (Σ𝑋) (Σ 𝑌 )
𝑏=
𝑛(Σ𝑋 2 ) − (Σ𝑋)2
(12)(163.1435 ) − (7565)(0.178936)
=
12(8957725) − (7565)2
604.06516
=
50263475
= 0.000012
Jadi persamaan regresi model hiperbola dari data di atas adalah
1
Ŷ=
0.007335 + 0.000012𝑋
aplikasi SPSS
pertama-tama kita ubah Y menjadi 1/Y sebagai bentuk linear dari model hiperbola
Kemudian, Klik Analyze, pilih Regression ►klik Linear, maka muncul Gambar
Klik OK maka diperoleh hasil sebagai berikut
Regression
Model Summary
a. Predictors: (Constant), X
ANOVAa
Total .001 11
a. Dependent Variable: Y1
b. Predictors: (Constant), X
Coefficientsa
a. Dependent Variable: Y1